Chevron Left
Вернуться к Введение в машинное обучение

Отзывы учащихся о курсе Введение в машинное обучение от партнера НИУ ВШЭ

4.6
звезд
Оценки: 2,330
Рецензии: 471

О курсе

Не так давно получил распространение термин «большие данные», обозначивший новую прикладную область — поиск способов автоматического быстрого анализа огромных объёмов разнородной информации. Наука о больших данных ещё только оформляется, но уже сейчас она очень востребована — и в будущем будет востребована только больше. С её помощью можно решать невероятные задачи: оценивать состояние печени по кардиограмме, предсказывать зарплату по описанию вакансии, предлагать пользователю музыку на основании его анкеты в интернете. Большими данными может оказаться что угодно: результаты научных экспериментов, логи банковских транзакций, метеорологические наблюдения, профили в социальных сетях — словом, всё, что может быть полезно проанализировать. Самым перспективным подходом к анализу больших данных считается применение машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности. На факультете компьютерных наук ВШЭ и в Школе анализа данных есть люди, активно использующие машинное обучение и разрабатывающие новые подходы к нему. Именно они — преподаватели этого курса. Вы изучите основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Узнаете об основных методах машинного обучения и их особенностях, научитесь оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Наконец, познакомитесь с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. Для работы мы будем использовать реальные данные из реальных задач. Краткая программа курса: Неделя 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. Неделя 2. Метрические методы классификации. Линейные методы, стохастический градиент. Неделя 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации. Неделя 4. Линейная регрессия. Понижение размерности, метод главных компонент. Неделя 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети. Неделя 6. Кластеризация и визуализация. Частичное обучение. Неделя 7. Прикладные задачи анализа данных: постановки и методы решения. Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования. Очень желательно знать Python. Задания рассчитаны на использование этого языка и его библиотек numpy, pandas и scikit-learn. Чтобы успешно завершить курс, нужно набрать проходную сумму баллов за тесты и практические задания, а также выполнить финальный проект, посвящённый решению прикладной задачи анализа данных. Мы уверены, что этот курс будет полезен каждому, кто хочет постичь искусство предсказательного моделирования и освоить интеллектуальный анализ данных. Появились технические трудности? Обращайтесь на адрес: coursera@hse.ru...

Лучшие рецензии

AL
24 сент. 2018 г.

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

DD
9 февр. 2016 г.

Спасибо за курс. Хороший материал. Отличные задания.\n\nЕсть желание пройти курс "Практическое машинное обучение" с большим количеством примеров и практик от авторов этого курса.

Фильтр по:

301–325 из 455 отзывов о курсе Введение в машинное обучение

автор: Sergey M

15 мар. 2016 г.

Очень полезно

автор: Антон Г

27 янв. 2016 г.

Хороший курс.

автор: Kolya M

12 янв. 2019 г.

Very usefull

автор: Александр

12 мая 2020 г.

Все классно

автор: Летунов Ю

16 мар. 2020 г.

Good course

автор: Dmitry U

17 февр. 2016 г.

Нормально )

автор: Denis Z

19 сент. 2017 г.

Very good!

автор: Sergei C

11 апр. 2018 г.

The best!

автор: Nikita D

22 дек. 2017 г.

Excellent

автор: Aleksei Z

28 нояб. 2016 г.

Real good

автор: Вьюн С А

21 июля 2018 г.

Отлично!

автор: Kirill L

25 июня 2017 г.

awesome

автор: Vasilii P

5 февр. 2016 г.

Отлично

автор: Валерий Л

24 авг. 2017 г.

10/10

автор: Igor I

29 янв. 2017 г.

great

автор: tigraboris

11 мая 2016 г.

Super

автор: Misha P

7 апр. 2016 г.

best

автор: Сафиуллин А

26 февр. 2016 г.

Норм

автор: Zaur B

7 янв. 2017 г.

Отл

автор: Жуков А В

5 авг. 2020 г.

)

автор: Palladin

30 мар. 2018 г.

+

автор: Evgeniy Z

9 июня 2016 г.

В общем и целом курс мне понравился.

В нём много математики, что не удивительно, т.к курс основан на материале, который ориентирован на студентов физико-математических вузов. По сравнению с курсами типа "Программирование для домохозяек", которых полно здесь на курсере - это несомненный плюс. С другой стороны иногда приходилось тратить значительное время на то, чтобы вспомнить некоторые вещи из математики, в частности той же линейной алгебры (которой здесь, кстати, очень много). Немного в этом помогли дополнительные материалы, предоставляемые авторами курса - за что им большое спасибо.

Практические задания были не очень сложными, т.к. инструкции для выполнения очень подробные. Основная проблема с их выполнением была в том, что часто неправильно работала система оценки практических заданий, но это было в основном по началу курса.

Не скажу что для их выполнения требуются существенные познания в программировании - достаточно базового понимания Python и умения искать в интернете документацию по нужным библиотекам. Довольно большая часть возникающих вопросов разрешалась прямым запросом в гугле первой же ссылкой на Stackoverflow.

Некоторые задания были достаточно интересными с точки зрения получаемого результата - например кластеризация цветов на изображении.

Понравился также финальный проект. Само задание оставляет простор для творчества + при желании можно участвовать в конкурсе на kaggle, где можно проверить свои знания на практике.

4 из 5 ставлю за излишне формализованный теоретический материал. Всё же не все потенциальные слушатели курса с легкостью разберутся что такое L2-регуляризация или SVD-разложение.

автор: Вячеслав А Д

19 дек. 2017 г.

Офигенный курс, познавательно, захватывающе - несколько закрученных сюжетных линий, интересная развязка. Сложно сразу определить жанр - много математики, но есть история, биология и немало мистики.Здесь можно много узнать о пассажирах Титаника (например, что самое популярное женское имя на корабле - Анна) и размерах цветка ириса. Курс захватывает с первых серий и держит в напряжении до конца. Некоторые серии настолько хороши, что я пересматривал их по несколько раз.

Отличный подбор актеров - в главной роли доктор физико-математических наук К.В. Воронцов. Игра актеров завораживает - они так легко оперируют всякими мистическими символами и непонятными словами - это надо видеть! Воронцов иногда так входит в роль, что даже игнорирует подсказки суфлера (логическая/логистическая регрессия). Я так проникся, что даже решил немного отпустить волосы, чтоб быть похожим, очки-то у меня уже есть)).

Задания курса очень увлекательные, вызывают бурю эмоций и иногда восторг, когда циферки сходятся! Я делал их на свежую голову по утрам, глубокой ночью и даже в пятницу вечером (иногда это просто необходимо - “без пол литра, никак”), но я так и не понял, когда их лучше делать - к каждой задачке нужен свой подход!

В общем, не могу не порекомендовать этот курс!

автор: Городенко Р Д

1 февр. 2020 г.

Больше понравились практические задания, где несмотря на очень подробную инструкцию (что очень хорошо) всё-равно приходилось много гуглить. К минусам бы отнёс подачу лекционного материала: с первого видео в речи лектора использовалось большое количество слов-профессионализмов, которые приходилось также гуглить каждые 10 секунд видео. Также очень много сухой теории и ненужных математических обоснований, которые не имеют никакого смысла для человека, который решил заняться машинным обучением. Всегда хотелось перелистнуть все видео и сесть за практику. В любом случае курс называется "ВВЕДЕНИЕ в машинное обучение", а не "погружение в него для аспирантов-математиков с исследованием алгоритмов на уровне машинного кода". Ну и хотелось бы отметить, что очень понравилось финальное задание, смог почувствовать настоящим разработчиком над реальным проектом. В плане оформления методических пособий всё на высшем уровне. Объективно очень качественный курс!

автор: oleg t

13 мар. 2016 г.

Несмотря на довольно тяжелое введение, курс очень понравился.

С одной стороны, если бы я не проходил курс от Ng, врядли бы смог зафиналить. Очень математическое введение, другие обозначения целевой переменной и алгоритмов.

С другой стороны к третьему-четвертому уроку втягиваешься и начинаешь проводить правильные ассоциации. Формальный подход дает возможность по новому взглянуть на уже известные алгоритмы.

Отдельно спасибо за качественно продуманные практические задания. Если в первых уроках кажется, что они не очень между собой связаны, то в финальном задании практически каждый блок на своем месте. Если у Ng задания были практически дословным воплощением мат. формулы в матлабовский код, то здесь реальные данные показывают свое истинное лицо. Надо включать мозг и смотреть документацию к numpy, pandas и тп.

Финальное задание отдельно порадовало. Дает реальное "ощущение" работы с моделями.

Спасибо!